pytorch deeplearning測試階段GPU測試問題

按照https://www.jianshu.com/p/889dbc684622實現了CIFAR10的分類，

但是轉到GPU上之後，出現error，是數據類型轉換問題。

原在cpu上測試的代碼：

correct = 0
total = 0
for data in testloader:
    images, labels = data
    outputs = net(Variable(images))
    _, predicted = torch.max(outputs.data, 1)
    total += labels.size(0)
    correct += (predicted == labels).sum()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

如果需要在GPU上使用，首先在訓練階段需要將網絡存儲爲GPU上

net.cuda()

然後在測試階段載入，將數據加載到GPU上

inputs, labels = Variable(inputs.cuda()), Variable(target.cuda())

需要注意的是，此時，input已經是Variable,輸入net時不需要再轉成Variable.

另外，predicted是一個tensor類型，不能與variable類型的labels直接比較，需要拿predicted與labels.data比較

最終的測試階段代碼爲：

correct = 0
total = 0
for data in testloader:
    images, labels = data
    images, labels = Variable(images.cuda()), Variable(labels.cuda())
    outputs = net(images)
    _, predicted = torch.max(outputs.data, 1)
    total += labels.size(0)
    correct += (predicted == labels.data).sum()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

需要了解Variable類型，

https://blog.csdn.net/qjk19940101/article/details/79555653

tensor是PyTorch中的完美組件，但是構建神經網絡還遠遠不夠，我們需要能夠構建計算圖的tensor，這就是Variable。Variable是對tensor的封裝，操作和tensor是一樣的，但是每個Variable都有三個屬性，Variable中的tensor本身.data，對應tensor的梯度.grad以及這個Variable是通過說明方式得到的.grad_fn